CN114048880A - 一种基于粒子群优化的开度阀故障诊断方法 - Google Patents
一种基于粒子群优化的开度阀故障诊断方法 Download PDFInfo
- Publication number
- CN114048880A CN114048880A CN202111421317.9A CN202111421317A CN114048880A CN 114048880 A CN114048880 A CN 114048880A CN 202111421317 A CN202111421317 A CN 202111421317A CN 114048880 A CN114048880 A CN 114048880A
- Authority
- CN
- China
- Prior art keywords
- fault
- opening valve
- fault diagnosis
- data
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 129
- 239000002245 particle Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 29
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000011164 primary particle Substances 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于粒子群优化的开度阀故障诊断方法，下位机开度阀控制模块采集的各类数据通过无线通信实时更新至上位机故障诊断系统中进行处理；上位机故障诊断系统将接收到的数据按照故障类型分类处理后进行两种模式的动态权重分配，包括：快速判断模式和具体故障诊断模式；再采用粒子群优化算法对分配权重后的数据进行寻优处理得出最优故障诊断阈值进而完成故障类型诊断；本发明可有效提高开度阀故障诊断的效率和准确率，以确保开度阀运行过程中的安全性和可靠性。
Description
技术领域
本发明涉及故障诊断方法，尤其涉及一种基于粒子群优化的开度阀故障诊断方法。
背景技术
电动阀门广泛应用在需要管道、流场等自动化控制的场合中，与上级控制器和测量仪表共同组成自动化控制系统。而阀门控制器作为阀门控制系统的核心，直接决定了阀门的工作效率和应用性。
传统的故障检查一般由专人进行定期检修，浪费了很多人力物力且效率不高。目前现有的故障检测设备多为国外进口的智能定位器，还需要配备相应的分析软件，使得其应用范围不广、成本高。还是现有的阀门控制器的故障检测功能仅仅依靠阀门执行机构的反馈和普通传感器检测，很少配备有上位机，且一般上位机仅有远程控制功能，功能单一，对于阀门运行的开度状态、内部监测参数都没有可视化的界面显示。
因此，亟待解决上述问题。
发明内容
发明目的：本发明的目的提供一种基于粒子群优化的开度阀故障诊断方法，该诊断方法实时采集阀门运行数据，基于无线通信技术，以物联网云平台为数据中转站将阀门监测到的数据发送至故障诊断系统，使用两种权重分配方式动态更新数据权重，从而得到优化的故障阈值，进一步的得出故障原因。
技术方案：为实现以上目的，本发明公开了一种基于粒子群优化的开度阀故障诊断方法，方法包括如下步骤：
(1)下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，并制作样本集；
(2)下位机嵌入式开度阀控制模块采集开度阀实时运行数据，在开度阀运行过程中，下位机周期性的采集开度阀运行数据，运行数据包括电机电流、内部的结构噪声、内部压力和阀杆力矩；
(3)采集的实时运行数据传输至上位机开度阀故障诊断系统，并进行预处理分类；
(4)上位机开度阀故障诊断系统对样本集数据进行处理，分配数据权重；运行数据传递到上位机开度阀故障诊断系统后，进入快速判断模式对运行数据进行分类处理，得出最接近的样本集区间，并分配对应区间的权重；
(5)初始化粒子群参数；
(6)评价当前粒子适应度并更新各粒子速度和位置，建立上位机开度阀故障诊断系统中故障诊断阈值的函数，作为粒子群优化算法中的适应度目标函数，利用粒子群优化计算最优诊断阈值；
(7)采用故障诊断阈值的函数计算当前阈值，并判断当前阀值是否达到最优诊断阈值；若当前阈值达到最优诊断阈值，则开度阀处于故障状态；若未达到则不处于故障状态；并形成诊断结果输出至警报模块；若无故障则返回至步骤(2)等待进行下一周期的实时数据采集，若有故障，进入步骤(8)；
(8)上位机开度阀故障诊断系统发出停止指令停止对应的开度阀动作，同时触发报警模块，切换权重分配方式，进入具体故障诊断模式，读取缓冲区的数据并重新分配数据权重，将数据按照具体故障诊断模式重新分配权重后进入步骤(9)；
(9)根据具体故障诊断模式下分配的数据权重得出故障类型，输出故障原因至上位机开度阀故障诊断系统，等待人工排除故障后恢复开度阀动作，当前诊断流程结束，等待进入步骤(1)进行下个周期的数据采集及诊断。
其中，诊断方法应用于开度阀故障诊断系统，开度阀故障诊断系统包括下位机嵌入式开度阀控制模块和上位机开度阀故障诊断系统，其中下位机嵌入式开度阀控制模块包括CAN总线通信单元、无线通信单元、用户可配置的功能选择单元、开度控制单元、电流采集单元、噪声采集单元、压力采集单元和力矩采集单元，上位机开度阀故障诊断系统包数据分类标记单元、数据权重分配单元和粒子群优化计算单元。
优选的，所述电流采集单元使用霍尔电流传感器ACS724获得阀门的电机电流，噪声采集单元使用ADXL345三轴加速度传感器将阀门结构的振动噪声和磨擦噪声转换成电压信号，压力采集单元使用MPX4250压力传感器检测获得阀门内部压力，无线通信单元采用ESPWIFI通信模块。
再者，所述步骤(1)制作样本集的具体方法包括如下步骤：下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，运行数据包括电机电流、内部的结构噪声、内部压力以及阀杆力矩，其中电流采集单元采集电机电流数据，噪声采集单元采集内部的结构噪声数据，压力采集单元采集内部压力数据，力矩采集单元采集阀杆力矩数据；开度阀故障类别为c，每种故障类别在不同的故障程度下采集n个样本，在开度阀正常状态下采集n个样本，共有(c+1)*n个样本，作为样本集。
进一步，所述步骤(3)中进行预处理分类的具体方法包括如下步骤：下位机嵌入式开度阀控制模块通过无线通信单元将采集到的实时运行信息以物联网云平台为信息中转站传输至上位机开度阀故障诊断系统；由上位机开度阀故障诊断系统对数据进行分类处理，根据故障类型标记为0，1，2……c同时进行进行小波分析及特征量提取；下位机嵌入式开度阀控制模块是通过CAN总线通信单元进行组网通信并连接至上位机开度阀故障诊断系统，每一个下位机拥有自己的ID，不同下位机的数据根据CAN总线ID进行区分。
优选的，所述步骤(4)中快速判断模式的具体方法包括如下步骤：
(4.1)获取数据分布特性：将步骤(1)的样本集按照不同的标记种类分别进行数据处理，得到正常状态和c种故障状态对应的数据分布特性f0，f1，f2…fc，构造数据分布函数；
(4.2)划分数据区间：将每种类故障对应的数据分布函数划分为i个区间，每个区间对应不同的权重q0，q1，q2…qi；
(4.3)权重分配：每种故障初始时权重各占
每种类故障对应的数据分布函数划分为i个区间，从无故障状态区到有故障状态区的权重按如下方法线性分配：
采用K近邻算法和欧氏距离函数，同时交叉验证取得一个合理样本值，对步骤(2)采集的实时运行数据进行故障种类标记，标记后进行区间分类，并分配对应区间的权重。
优选的，初始化粒子群参数包括初始化种群粒子的个数m，最大迭代次数k、初始速度的线性权重w、学习因子c1、c2，范围在(0，1)内的随机比例因子r1、r2，以及粒子的初始速度和初始位置。
再者，所述步骤(6)中计算最优故障诊断阈值的具体方法包括如下步骤：
建立上位机开度阀故障诊断系统中关于故障诊断阈值的函数
作为粒子群优化算法中的适应度目标函数；式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值；利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置，公式如下：
xi+1＝xi+vi+1
在c种故障状态下共有m个粒子，i表示第i个粒子；w为初始速度的线性权重，可根据迭代次数进行线性变化；xi＝(xi1，xi2…xic)表示第i个粒子的位置；vi＝(vi1，vi2…vic)表示第i个粒子的速度；
表示第i个粒子的局部最优位置；
表示全局最优位置；c1、c2为学习因子，r1、r2是范围在(0，1)内的随机比例因子；更新一次粒子群速度和位置，引入变异因子操作，若随机比例因子r1、r2大于0.96则重新初始化粒子速度和位置，以跳出局部最优；若随机比例因子r1、r2小于0.96则保持当前速度和位置；更新当前最优适应度位置，通过粒子群优化算法不断的对粒子种群进行适应度计算，在迭代过程更新pi个体最优适应度位置和gbest全局最优适应度的位置；判断迭代次数是否达到最大迭代次数k，若未达到则返回利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置；若达到最大迭代次数k，则迭代结束，将求得的最佳适应度位置的函数值更新至故障诊断系统，作为诊断过程的最优故障诊断阈值；
进一步，所述步骤(8)中具体故障诊断模式的具体方法包括如下步骤：
在上位机开度阀故障诊断系统中引入信息熵和信息增益，对采集到的数据集进行分类后，进行归一化数据处理从而获得每个故障类型的权重，从而准确判断开度阀存在的故障类型；
采用如下公式计算信息熵：
式中，pk表示样本D中第k类特征所占的比例，熵值越低则代表信息越确定；
采用如下公式计算信息增益：
式中，c’表示某种故障属性，v表示此种属性可能的取值，以故障c’对样本D进行划分，在产生的子集中，Dv为包含所有c’故障属性的子集；
进一步的计算得到所有故障属性在样本集下的信息增益，对其进行归一化处理，从而得到每个特征所占的权重；采用如下公式计算第j种故障特征所占的权重
式中，Cj’为第j种故障，G(D，Cj’)为每种故障在样本集下的信息增益。
再者，所述步骤(6)和步骤(7)中的故障诊断阈值的函数
式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值。
有益效果：与现有技术相比，本发明具有以下显著优点：本发明引入了动态更新数据权重来进行粒子群优化寻优得到开度阀故障诊断阈值，容易在上位机中采用编码方式实现，同时结合两种故障诊断模式，有效的提高了开度阀运行的可靠性、安全性，提高了开度阀控制的自动化程度；本发明可有效提高开度阀故障诊断的效率和准确率，以确保开度阀运行过程中的安全性和可靠性。
附图说明
图1为本发明中故障诊断系统结构示意图；
图2为本发明中故障诊断系统的诊断流程图；
图3为本发明中粒子群优化适应度曲线图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1和图2所示，一种基于粒子群优化的开度阀故障诊断方法，开度阀故障诊断系统包括下位机嵌入式开度阀控制模块和上位机开度阀故障诊断系统，其中下位机嵌入式开度阀控制模块包括CAN总线通信单元、无线通信单元、用户可配置的功能选择单元、开度控制单元、电流采集单元、噪声采集单元、压力采集单元和力矩采集单元，其中电流采集单元使用霍尔电流传感器ACS724获得阀门的电机电流，噪声采集单元使用ADXL345三轴加速度传感器将阀门结构的振动噪声和磨擦噪声转换成电压信号，压力采集单元使用MPX4250压力传感器检测获得阀门内部压力，无线通信单元采用ESPWIFI通信模块；采用QT编写上位机开度阀故障诊断系统，上位机开度阀故障诊断系统包数据分类标记单元、数据权重分配单元和粒子群优化计算单元；
方法包括如下步骤：
(1)下位机嵌入式开度阀控制模块采集开度阀运行数据，即采集开度阀在正常状态下和故障状态下的运行数据，运行数据包括电机电流、内部的结构噪声、内部压力以及阀杆力矩，其中电流采集单元采集电机电流数据，噪声采集单元采集内部的结构噪声数据，压力采集单元采集内部压力数据，力矩采集单元采集阀杆力矩数据；开度阀故障类别为c，每种故障类别在不同的故障程度下采集n个样本，在开度阀正常状态下采集n个样本，共有(c+1)*n个样本，作为样本集；
(2)下位机嵌入式开度阀控制模块采集开度阀实时运行数据
在开度阀运行过程中，下位机周期性的采集开度阀运行数据，运行数据包括电机电流、内部的结构噪声、内部压力和阀杆力矩；
(3)采集的实时运行数据传输至上位机开度阀故障诊断系统，并进行预处理分类；
下位机嵌入式开度阀控制模块通过无线通信单元将采集到的实时运行信息以物联网云平台为信息中转站传输至上位机开度阀故障诊断系统；由上位机开度阀故障诊断系统对数据进行分类处理，根据故障类型标记为0，1，2……c同时进行进行小波分析及特征量提取；下位机嵌入式开度阀控制模块是通过CAN总线通信单元进行组网通信并连接至上位机开度阀故障诊断系统，每一个下位机拥有自己的ID，不同下位机的数据根据CAN总线ID进行区分；
(4)上位机开度阀故障诊断系统对样本集数据进行处理，分配数据权重；
运行数据传递到上位机开度阀故障诊断系统后，进入快速判断模式对运行数据进行分类处理，得出最接近的样本集区间，并分配对应区间的权重，即权重分配方式为快速判断模式；快速判断模式按照以下步骤进行：
(4.1)获取数据分布特性：将步骤(1)的样本集按照不同的标记种类分别进行数据处理，得到正常状态和c种故障状态对应的数据分布特性f0，f1，f2…fc，构造数据分布函数；
(4.2)划分数据区间：将每种类故障对应的数据分布函数划分为i个区间，每个区间对应不同的权重q0，q1，q2…qi；
(4.3)权重分配：每种故障初始时权重各占
每种类故障对应的数据分布函数划分为i个区间，从无故障状态区到有故障状态区的权重按如下方法线性分配：
采用K近邻算法和欧氏距离函数，同时交叉验证取得一个合理样本值，对步骤(2)采集的实时运行数据进行故障种类标记，标记后进行区间分类，并分配对应区间的权重；
(5)初始化粒子群参数包括初始化种群粒子的个数m，最大迭代次数k，、初始速度的线性权重w、学习因子c1、c2，范围在(0，1)内的随机比例因子r1、r2，以及粒子的初始速度和初始位置；
(6)评价当前粒子适应度并更新各粒子速度和位置，粒子群优化计算最优诊断阈值；
建立上位机开度阀故障诊断系统中关于故障诊断阈值的函数
作为粒子群优化算法中的适应度目标函数；式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值；利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置，公式如下：
xi+1＝xi+vi+1
在c种故障状态下共有m个粒子，i表示第i个粒子；w为初始速度的线性权重，可根据迭代次数进行线性变化；xi＝(xi1，xi2…xic)表示第i个粒子的位置；vi＝(vi1，vi2…vic)表示第i个粒子的速度；
表示第i个粒子的局部最优位置；
表示全局最优位置；c1、c2为学习因子，r1、r2是范围在(0，1)内的随机比例因子；更新一次粒子群速度和位置，引入变异因子操作，若随机比例因子r1、r2大于0.96则重新初始化粒子速度和位置，以跳出局部最优；若随机比例因子r1、r2小于0.96则保持当前速度和位置；更新当前最优适应度位置，通过粒子群优化算法不断的对粒子种群进行适应度计算，在迭代过程更新pi个体最优适应度位置和gbest全局最优适应度的位置；判断迭代次数是否达到最大迭代次数k，若未达到则返回利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置；若达到最大迭代次数k，则迭代结束，将求得的最佳适应度位置的函数值更新至故障诊断系统，作为诊断过程的最优故障诊断阈值，如图3所示；
(7)计算当前阈值，进行故障状态判断；
由构造的故障阈值函数
计算当前阈值，并判断当前阀值是否达到最优诊断阈值；若当前阈值达到最优诊断阈值，则开度阀处于故障状态；若未达到则不处于故障状态；并形成诊断结果输出至警报模块；若无故障则返回至步骤(2)等待进行下一周期的实时数据采集，若有故障，进入步骤(8)；
(8)上位机开度阀故障诊断系统发出停止指令停止对应的开度阀动作，同时触发报警模块，切换权重分配方式，进入具体故障诊断模式，读取缓冲区的数据并重新分配数据权重，将数据按照具体故障诊断模式重新分配权重后进入步骤(9)；
具体故障诊断模式按照以下步骤进行：
在上位机开度阀故障诊断系统中引入信息熵和信息增益，对采集到的数据集进行分类后，进行归一化数据处理从而获得每个故障类型的权重，从而准确判断开度阀存在的故障类型；
采用如下公式计算信息熵：
式中，pk表示样本D中第k类特征所占的比例，熵值越低则代表信息越确定；
采用如下公式计算信息增益：
式中，c’表示某种故障属性，v表示此种属性可能的取值，以故障c’对样本D进行划分，在产生的子集中，Dv为包含所有c’故障属性的子集；
进一步的计算得到所有故障属性在样本集下的信息增益，对其进行归一化处理，从而得到每个特征所占的权重；采用如下公式计算第j种故障特征所占的权重
式中，Cj’为第j种故障，G(D，Cj’)为每种故障在样本集下的信息增益；
(9)根据具体故障诊断模式下分配的数据权重得出故障类型，输出故障原因至上位机开度阀故障诊断系统，等待人工排除故障后恢复开度阀动作，当前诊断流程结束，等待进入步骤一进行下个周期的数据采集及诊断。
本发明利用基于基于粒子群优化的开度阀故障诊断方法及系统能快速判断出阀门是否处于故障状态，满足故障诊断的要求，且具有很好的通用性，提高了开度阀的运行过程的可靠性和安全性。
Claims (10)
1.一种基于粒子群优化的开度阀故障诊断方法，其特征在于，方法包括如下步骤：
(1)下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，并制作样本集；
(2)下位机嵌入式开度阀控制模块采集开度阀实时运行数据，在开度阀运行过程中，下位机周期性的采集开度阀运行数据，运行数据包括电机电流、内部的结构噪声、内部压力和阀杆力矩；
(3)采集的实时运行数据传输至上位机开度阀故障诊断系统，并进行预处理分类；
(4)上位机开度阀故障诊断系统对样本集数据进行处理，分配数据权重；运行数据传递到上位机开度阀故障诊断系统后，进入快速判断模式对运行数据进行分类处理，得出最接近的样本集区间，并分配对应区间的权重；
(5)初始化粒子群参数；
(6)评价当前粒子适应度并更新各粒子速度和位置，建立上位机开度阀故障诊断系统中故障诊断阈值的函数，作为粒子群优化算法中的适应度目标函数，利用粒子群优化计算最优诊断阈值；
(7)采用故障诊断阈值的函数计算当前阈值，并判断当前阀值是否达到最优诊断阈值；若当前阈值达到最优诊断阈值，则开度阀处于故障状态；若未达到则不处于故障状态；并形成诊断结果输出至警报模块；若无故障则返回至步骤(2)等待进行下一周期的实时数据采集，若有故障，进入步骤(8)；
(8)上位机开度阀故障诊断系统发出停止指令停止对应的开度阀动作，同时触发报警模块，切换权重分配方式，进入具体故障诊断模式，读取缓冲区的数据并重新分配数据权重，将数据按照具体故障诊断模式重新分配权重后进入步骤(9)；
(9)根据具体故障诊断模式下分配的数据权重得出故障类型，输出故障原因至上位机开度阀故障诊断系统，等待人工排除故障后恢复开度阀动作，当前诊断流程结束，等待进入步骤(1)进行下个周期的数据采集及诊断。
2.根据权利要求1所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：诊断方法应用于开度阀故障诊断系统，开度阀故障诊断系统包括下位机嵌入式开度阀控制模块和上位机开度阀故障诊断系统，其中下位机嵌入式开度阀控制模块包括CAN总线通信单元、无线通信单元、用户可配置的功能选择单元、开度控制单元、电流采集单元、噪声采集单元、压力采集单元和力矩采集单元，上位机开度阀故障诊断系统包数据分类标记单元、数据权重分配单元和粒子群优化计算单元。
3.根据权利要求2所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述电流采集单元使用霍尔电流传感器ACS724获得阀门的电机电流，噪声采集单元使用ADXL345三轴加速度传感器将阀门结构的振动噪声和磨擦噪声转换成电压信号，压力采集单元使用MPX4250压力传感器检测获得阀门内部压力，无线通信单元采用ESPWIFI通信模块。
4.根据权利要求3所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(1)制作样本集的具体方法包括如下步骤：下位机嵌入式开度阀控制模块采集开度阀在正常状态下和故障状态下的运行数据，运行数据包括电机电流、内部的结构噪声、内部压力以及阀杆力矩，其中电流采集单元采集电机电流数据，噪声采集单元采集内部的结构噪声数据，压力采集单元采集内部压力数据，力矩采集单元采集阀杆力矩数据；开度阀故障类别为c，每种故障类别在不同的故障程度下采集n个样本，在开度阀正常状态下采集n个样本，共有(c+1)*n个样本，作为样本集。
5.根据权利要求4所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(3)中进行预处理分类的具体方法包括如下步骤：下位机嵌入式开度阀控制模块通过无线通信单元将采集到的实时运行信息以物联网云平台为信息中转站传输至上位机开度阀故障诊断系统；由上位机开度阀故障诊断系统对数据进行分类处理，根据故障类型标记为0，1，2……c同时进行进行小波分析及特征量提取；下位机嵌入式开度阀控制模块是通过CAN总线通信单元进行组网通信并连接至上位机开度阀故障诊断系统，每一个下位机拥有自己的ID，不同下位机的数据根据CAN总线ID进行区分。
6.根据权利要求5所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(4)中快速判断模式的具体方法包括如下步骤：
(4.1)获取数据分布特性：将步骤(1)的样本集按照不同的标记种类分别进行数据处理，得到正常状态和c种故障状态对应的数据分布特性f0,f1,f2…fc，构造数据分布函数；
(4.2)划分数据区间：将每种类故障对应的数据分布函数划分为i个区间，每个区间对应不同的权重q0,q1,q2…qi；
(4.3)权重分配：每种故障初始时权重各占
每种类故障对应的数据分布函数划分为i个区间，从无故障状态区到有故障状态区的权重按如下方法线性分配：
采用K近邻算法和欧氏距离函数，同时交叉验证取得一个合理样本值，对步骤(2)采集的实时运行数据进行故障种类标记，标记后进行区间分类，并分配对应区间的权重。
7.根据权利要求6所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(5)中初始化粒子群参数包括初始化种群粒子的个数m，最大迭代次数k、初始速度的线性权重w、学习因子c1、c2，范围在(0，1)内的随机比例因子r1、r2，以及粒子的初始速度和初始位置。
8.根据权利要求7所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(6)中计算最优故障诊断阈值的具体方法包括如下步骤：
建立上位机开度阀故障诊断系统中关于故障诊断阈值的函数
作为粒子群优化算法中的适应度目标函数；式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值；利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置，公式如下：
xi+1＝xi+vi+1
在c种故障状态下共有m个粒子，i表示第i个粒子；w为初始速度的线性权重，可根据迭代次数进行线性变化；xi＝(xi1,xi2…xic)表示第i个粒子的位置；vi＝(vi1,vi2…vic)表示第i个粒子的速度；
表示第i个粒子的局部最优位置；
表示全局最优位置；c1、c2为学习因子，r1、r2是范围在(0，1)内的随机比例因子；更新一次粒子群速度和位置，引入变异因子操作，若随机比例因子r1、r2大于0.96则重新初始化粒子速度和位置，以跳出局部最优；若随机比例因子r1、r2小于0.96则保持当前速度和位置；更新当前最优适应度位置，通过粒子群优化算法不断的对粒子种群进行适应度计算，在迭代过程更新pi个体最优适应度位置和gbest全局最优适应度的位置；判断迭代次数是否达到最大迭代次数k，若未达到则返回利用粒子群算法的速度更新和位置更新方程不断更新各粒子的速度和位置；若达到最大迭代次数k，则迭代结束，将求得的最佳适应度位置的函数值更新至故障诊断系统，作为诊断过程的最优故障诊断阈值。
9.根据权利要求8所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(8)中具体故障诊断模式的具体方法包括如下步骤：
在上位机开度阀故障诊断系统中引入信息熵和信息增益，对采集到的数据集进行分类后，进行归一化数据处理从而获得每个故障类型的权重，从而准确判断开度阀存在的故障类型；
采用如下公式计算信息熵：
式中，pk表示样本D中第k类特征所占的比例，熵值越低则代表信息越确定；
采用如下公式计算信息增益：
式中，c’表示某种故障属性，v表示此种属性可能的取值，以故障c’对样本D进行划分，在产生的子集中，Dv为包含所有c’故障属性的子集；
进一步的计算得到所有故障属性在样本集下的信息增益，对其进行归一化处理，从而得到每个特征所占的权重；采用如下公式计算第j种故障特征所占的权重
式中，Cj’为第j种故障，G(D,Cj’)为每种故障在样本集下的信息增益。
10.根据权利要求9所述的一种基于粒子群优化的开度阀故障诊断方法，其特征在于：所述步骤(6)和步骤(7)中的故障诊断阈值的函数
式中n为采集的数据总数，Qi为xi所占的权重，μ为本次采集数据的抽样均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111421317.9A CN114048880B (zh) | 2021-11-26 | 2021-11-26 | 一种基于粒子群优化的开度阀故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111421317.9A CN114048880B (zh) | 2021-11-26 | 2021-11-26 | 一种基于粒子群优化的开度阀故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114048880A true CN114048880A (zh) | 2022-02-15 |
| CN114048880B CN114048880B (zh) | 2024-05-24 |
Family
ID=80211333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111421317.9A Active CN114048880B (zh) | 2021-11-26 | 2021-11-26 | 一种基于粒子群优化的开度阀故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114048880B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860718A (zh) * | 2022-12-02 | 2023-03-28 | 深圳市黑金工业制造有限公司 | 一种基于大数据的触摸一体机综合维护管理系统及方法 |
| CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016042774A1 (en) * | 2014-09-17 | 2016-03-24 | Kabushiki Kaisha Toshiba | Bias estimation apparatus and method and failure diagnosis apparatus and method |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
| WO2017197873A1 (zh) * | 2016-05-16 | 2017-11-23 | 中国矿业大学 | 一种带式输送机的故障诊断系统及方法 |
| CN108828944A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于改进pso及svm的编码器故障诊断系统及方法 |
| CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
| CN113361016A (zh) * | 2021-06-30 | 2021-09-07 | 大连海事大学 | 一种船舶辅锅炉故障诊断方法和装置 |
-
2021
- 2021-11-26 CN CN202111421317.9A patent/CN114048880B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016042774A1 (en) * | 2014-09-17 | 2016-03-24 | Kabushiki Kaisha Toshiba | Bias estimation apparatus and method and failure diagnosis apparatus and method |
| CN105469138A (zh) * | 2015-11-10 | 2016-04-06 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
| WO2017197873A1 (zh) * | 2016-05-16 | 2017-11-23 | 中国矿业大学 | 一种带式输送机的故障诊断系统及方法 |
| CN108828944A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于改进pso及svm的编码器故障诊断系统及方法 |
| CN109084971A (zh) * | 2018-07-23 | 2018-12-25 | 中国矿业大学 | 一种基于粒子群优化的气动调节阀故障诊断方法 |
| CN113361016A (zh) * | 2021-06-30 | 2021-09-07 | 大连海事大学 | 一种船舶辅锅炉故障诊断方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| WANG XUANYIN: "Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP", 《EXPERT SYSTEMS WITH APPLICATIONS》, 31 May 2010 (2010-05-31), pages 3887 - 3892, XP026827176 * |
| 周文: "基于IPSO-SVM和DBN的电动阀门故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 August 2019 (2019-08-15), pages 040 - 26 * |
| 李冬辉;尹海燕;郑博文;刘玲玲;: "改进的LSTM方法在冷水机组传感器故障检测中的应用", 电工技术学报, no. 11, 10 June 2019 (2019-06-10) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860718A (zh) * | 2022-12-02 | 2023-03-28 | 深圳市黑金工业制造有限公司 | 一种基于大数据的触摸一体机综合维护管理系统及方法 |
| CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
| CN117687394B (zh) * | 2024-01-27 | 2024-04-16 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114048880B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114048880A (zh) | 一种基于粒子群优化的开度阀故障诊断方法 | |
| CN109655259B (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| WO2021135630A1 (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
| CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
| CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
| CN112990545B (zh) | 一种高速公路交织区交通安全状态预测方法 | |
| CN110533167B (zh) | 一种电动阀门执行机构用故障诊断方法及诊断系统 | |
| CN111428960A (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
| CN111461292A (zh) | 一种无人机实时轨迹预测方法 | |
| CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
| CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
| CN111311009A (zh) | 一种基于长短期记忆的行人轨迹预测方法 | |
| CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
| CN106441929A (zh) | 电动汽车电附件性能测试采集系统及采集方法 | |
| CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
| CN114626625A (zh) | 基于多模块U-BiLSTM网络的轴承寿命预测方法 | |
| CN114764538B (zh) | 一种设备声音信号模式识别方法 | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN113156913A (zh) | 一种abs故障诊断系统及方法 | |
| CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
| CN104200231A (zh) | 一种高效的交通状态标注方法 | |
| CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |